Kerangka Materi

Pemahaman tentang Kontainerisasi untuk AI & ML

  • Konsep inti kontainerisasi
  • Mengapa kontainer ideal untuk beban kerja ML
  • Perbedaan kunci antara kontainer dan mesin virtual

Bekerja dengan Gambar dan Kontainer Docker

  • Memahami gambar, lapisan, dan registri
  • Mengelola kontainer untuk eksperimen ML
  • Menggunakan Docker CLI dengan efisien

Mengemas Lingkungan ML

  • Menyiapkan kodebase ML untuk kontainerisasi
  • Mengelola lingkungan Python dan dependensi
  • Mengintegrasikan dukungan CUDA dan GPU

Membangun Dockerfiles untuk Pembelajaran Mesin

  • Struktur Dockerfiles untuk proyek ML
  • Praktik terbaik untuk kinerja dan keberlanjutan
  • Menggunakan build multi-stage

Mengkontainerisasi Model ML dan Pipeline

  • Mengepak model terlatih ke dalam kontainer
  • Mengelola strategi data dan penyimpanan
  • Menyebarkan alur kerja end-to-end yang dapat direproduksi

Menjalankan Layanan ML Berkontainer

  • Mengungkapkan titik akhir API untuk inferensi model
  • Membesar layanan dengan Docker Compose
  • Memantau perilaku runtime

Pertimbangan Keamanan dan Kepatuhan

  • Memastikan konfigurasi kontainer yang aman
  • Mengelola akses dan kredensial
  • Menangani aset ML rahasia

Penyebaran ke Lingkungan Produksi

  • Menerbitkan gambar ke registri kontainer
  • Menyebarkan kontainer di setup on-prem atau cloud
  • Versi dan pembaruan layanan produksi

Ringkasan dan Langkah Selanjutnya

Persyaratan

  • Pemahaman tentang alur kerja pembelajaran mesin
  • Pengalaman dengan Python atau bahasa pemrograman serupa
  • Kenalan dengan operasi baris perintah Linux dasar

Audience

  • Insinyur ML yang menyebarkan model ke produksi
  • Ilmuwan data yang mengelola lingkungan eksperimen yang dapat direproduksi
  • Pengembang AI yang membangun aplikasi kontainerisasi skalabel
 14 Jam

Jumlah Peserta


Biaya per Peserta

Testimoni (5)

Kursus Mendatang

Kategori Terkait